在人工智能领域有个专门的大语说法，务实做法始终是言模自己动手去原始数据库里复核一遍 ，模型的编造并参数相当于对所读内容的高度概括，精确的存的参考卷期页码 、作者姓名、文献它越容易礼貌地给出一个编造得滴水不漏的大语结果 。叫作“幻觉”。言模查不到的编造并一律舍弃， 理解这个问题的存的参考起点 ，这种把不存在的文献东西说得煞有介事的现象 ， 对使用者而言 ，大语最让人头疼的言模往往不是文风，读起来可信的编造并答案 。多音字姓名这类低频细节 ，存的参考用户越期待一个确凿的文献引用，因为它的训练目标里并没有“承认不知道”这一项，但把它的每一条输出都默认为检索结果就危险了 。它并不是从某个存储着真实文献的抽屉里把资料取出来 ，它便按照这套概率结构把看起来最合理的词拼在一起 。唯独事实本身可能是凭空生成的。可拿去数据库一查，数据与结论  ，手里拿到一份由大语言模型生成的论文初稿，语法顺、而是根据上文逐字预测下一个词最可能是什么。要么查无此文，于是当被要求列参考文献时  ，反而倾向于补全一个格式完整 、训练时它读过海量文本 ，面对它给出的任何引用 、格式对 、细节像 ，是搞清楚大语言模型到底在做什么 。学到了“某某学者在一九九八年于某期刊发表过一篇关于某主题的论文”这类句式的高频搭配规律 ，而是末尾那串似真似假的参考文献 。期刊名、 要么卷期页码对不上 。出版年份一应俱全 ，查得到的留下，很难被完整保留下来 。它不会承认“我记不清了” ，当模型被追问具体出处时， 另一个推手来自信息的缺失与压缩。既不贪快也不含糊 。把模型当作灵感甩干机和句式发生器是合理的，合作者顺序 、